Kako instalirati TensorFlow
U ovom članku o instaliranju tensorflowa prvo bismo dobili opći pregled TensorFlow-a i njegove uporabe u ekosustavu Data Science, a zatim bismo instalirali TensorFlow za Windows.
Što je TensorFlow?
TensorFlow je softverska aplikacija, popularna za implementaciju algoritama strojnog učenja, posebno neuronskih mreža. Razvio ga je Google, a izdala ga je kao platforma otvorenog koda 2015. Godine. Naziva se TensorFlow, jer uzima ulaz kao višedimenzionalni niz koji se također naziva i Tensors. Mogli bismo konstruirati dijagram dijagrama operacija koje želimo izvesti na tom ulazu, tj. Podaci ulaze na jednom kraju, a zatim teku kroz ovaj sustav operacija, a na drugom kraju izlaze kao izlaz. TensorFlow popularan je zbog izrazite svestranosti. Može se izvoditi na različitim platformama poput radne površine ili oblaka ili na mobilnom uređaju. Sve se to moglo učiniti pomoću jedinstvenog API-ja. Moglo bi se trenirati na više strojeva, a zatim bismo ga mogli pokrenuti na drugom stroju. TensorFlow je vrlo brz jer je napisan na C ++, ali njemu se može pristupiti i kontrolirati na drugim jezicima, uglavnom Python-u. Još jedna velika značajka TensorFlow-a je TensorBoard koji nam omogućava grafički i vizualno pratiti rad TensorFlow-a. Netko koga zanima strojno učenje, posebno neuronska mreža, trebao bi naučiti TensorFlow.
Grafikon protoka podataka Arhitektura TensorFlowa
Graf protoka podataka ima dvije osnovne jedinice: Čvor koji predstavlja matematičku operaciju i rub koji služi višedimenzionalnom polju poznat kao tenzeri. Dakle, ova apstrakcija na visokoj razini pokazuje kako podaci teku između operacija. Nakon što se stvori graf, piše se unutarnja petlja radi pokretanja računanja. Ulazi se unose u čvorove putem varijabli ili rezervi. U TensorFlowu, računanja se pokreću tek nakon što se kreira sesija.
Zašto se TensorFlow preferira u dubokom učenju? 
Duboko učenje dio je strojnog učenja koje značajke i zadatke izvodi izravno iz podataka. Podaci mogu biti slike, tekst ili zvuk. Često se naziva učenjem od početka do kraja. Neuronska mreža je sinonim za neurone u našem mozgu. U gornjem dijagramu podaci dolaze iz ulaznog sloja i prolaze kroz skrivene slojeve gdje se obavljaju sve proračune, a zatim prelaze na izlazni sloj. Višestruki skriveni igrači čine je dubokom neuronskom mrežom, dok jedan sloj tvori plitku neuronsku mrežu
- TensorFlow ima široku ugrađenu podršku za Deep Learning i neuronske mreže, tako da je lako sastaviti mrežu, dodijeliti parametre i pokrenuti trenažni proces.
- Postoje matematičke funkcije koje se mogu educirati korisne su za neuronske mreže. Bilo koji algoritam strojnog učenja temeljen na gradijentu imat će koristi od TensorFlow-ove automatske diferencijacije i paketa prvorazrednih optimizatora.
- TensorFlow je kompatibilan s raznim strojnim učenjem zbog svoje velike kolekcije fleksibilnih alata.
- Duboka neuronska mreža upravlja s složenijim ponašanjem gdje se svaki ulaz obrađuje aktivirajućim funkcijama poput hiperboličke tangente, logističke funkcije itd. Izbor funkcije aktivacije utječe na ponašanje mreže, a TensorFlow daje kontrolu nad mrežnom strukturom.
- TensorFlow se također može koristiti u izradi jednostavnih linearnih i nelinearnih modela.
Koraci za instaliranje TensorFlow-a
Instalacijski dio sastojat će se od dva dijela: -
- Instaliranje Anakonde
- Postavljanje TensorFlowa pomoću Anaconda Reda.
Dio 1: Instalirajte Anacondu na Windows
Anaconda je skup nekih popularnih Python paketa i ima upravitelj paketa koji se zove conda (slično pip-u). Neki od popularnih paketa anakonde su - numpy, scipy, Jupiter, nltk, scikit-learn, itd. Ako vam je Python instaliran u prozoru, da biste instalirali sve te pakete, morate pokrenuti pip, dok ako instalirate anakondu, dobivate sve te pakete u jednom kadru.
Ispod koraka ilustrira kako instalirati Anacondu na prozore. Python 3.7 ne podržava TensorFlow, pa ćemo koristiti Anacondu za Python 3.6.
- Ovdje instalirajte Anaconda za Python 3.6 - https://drive.google.com/open?id=12BLpz3wzsyI0kFcMgv0SGPj__0op-JJs
- Jednom kada instalacijski program preuzme, dvokliknite ga i odaberete Dalje.
- U sljedećem prozoru kliknite Slažem se.
- Odaberite Svi korisnici i kliknite Dalje.
- Odaberite mjesto instalacije po vašem mišljenju i kliknite Dalje.
- U sljedećem prozoru potvrdite okvir "Registriraj Anacondu kao sistemski Python 3.6" i kliknite Instaliraj.
- Instalacija je u tijeku.
- Neka instalacija nastavi i nakon završetka, kliknite Dalje da biste je dovršili. Zatim idite na varijable Environment u Windowsima da postavite put.
- Kliknite Novo i dodajte mapu Scripts gdje ste instalirali Anacondu i kliknite OK.
- Idite na traku za Windows u sustavu i upišite Anaconda prompt. Dvaput kliknite aplikaciju i utipkajte conda –verziju da biste potvrdili njezinu instalaciju.
Dio 2: Postavljanje instalacije TensorFlow koristeći Anaconda prompt
- Idite na Anaconda prompt i utipkajte conda create -n myenv python = 3, 6 i pritisnite Enter.
- Pritisnite Y i pritisnite Enter. To će stvoriti zasebno okruženje za instaliranje TensorFlow
- Unesite conda activate myenv i unesite Enter da biste ušli u okoliš.
- Jednom kada uđete u okoliš, unesite jednu po jednu sljedeću
- conda instalirati jupyter
- conda instalirati scipy
- pip install - nadogradnja tensorflow
- Nakon što je to učinjeno, upišite python, a zatim vrste uvozite tensorflow. Ako nema pogreške, onda se uspješno instalira TensorFlow.
Praktične primjene TensorFlow-a
Duboko učenje pojavilo se u središtu gotovo svakog velikog računalnog proboja u posljednjih nekoliko godina. Već se nalazi u mnogim našim svakodnevnim proizvodima kao što su Netflix i Amazonove personalizirane preporuke, filtriranje neželjene pošte, pa čak i naša interakcija s osobnim asistentima poput Apple Siri ili Microsoft Cortana.
Međutim, od ovog istraživanja ne koriste samo koristi znanosti. Ljudi iz drugih disciplina također počinju istraživati kako se duboko učenje može primijeniti u slučajevima poput otkrivanja objekata (kao što je prikazano na slici). Uči računalo prepoznati objekt na slici, a zatim to znanje iskoristiti za pokretanje novih ponašanja.
Najnoviji trendovi tensorflowa
TensorFlow nedavno je objavio svoju verziju 1.12.0 u kojoj su nekoliko glavnih poboljšanja: -
- Keras model mogao bi se izravno izvesti u format SavedModel i koristiti s oprugom TensorFlow.
- Binari su izgrađeni s XLA podrškom, a Keras modeli bi se sada mogli ocjenjivati pomoću tf.data.Dataset.
- Dodan je skup podataka Ignite koji doprinosi / zapali što omogućava rad s Apache Ignite.
Preporučeni članci
Ovo je vodič za Kako instalirati TensorFlow Ovdje smo raspravljali o uputama i različitim koracima za instaliranje TensorFlow. Možete pogledati i sljedeći članak da biste saznali više -
- Razlike TensorFlow u odnosu na Caffe
- Usporedba Tensorflowa i Pytorcha
- Karijere u dubokim učenjima
- PowerShell vs Python - razlike
- Uvod u TensorFlow igralište